Bacharelado em Sistemas de Informação (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/12
Siglas das Coleções:
APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso
Navegar
Item Métodos de previsão de consumo de energia elétrica residencial em grande volume de dados(2019) Carvalho, Daniel José de; Medeiros, Victor Wanderley Costa de; Gonçalves, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; http://lattes.cnpq.br/7159595141911505; http://lattes.cnpq.br/6867315638833821A energia elétrica é uma das principais fontes de energia utilizadas pela humanidade.A crescente preocupação com a preservação do meio-ambiente estimulou a busca por fontes de energia renováveis capazes de reduzir os impactos à natureza. O crescimento populacional e o uso cada vez mais comum de dispositivos eletrônicos, na quase totalidade das atividades cotidianas, demandam o uso mais eficiente da energia elétrica. Diante destes desafios é essencial a realização de um planejamento para dimensionar a estrutura de geração e transmissão de energia elétrica. Uma das ferramentas capazes de auxiliar neste dimensionamento é a previsão de demanda. Outrogrande desafio nesta área está na realização destas previsões em cenários de grandes dados (Big Data).Este trabalho tem como objetivo principal avaliar o desempenho de dois métodos deprevisão, ARIMA e Holt-Winters, utilizando séries temporais aplicados a um grandevolume de dados. A base de dados utilizada foi fornecida no evento DEBS 2014 GrandChallenge, a qual contém dados de consumo de energia elétrica, de um grande nú-mero de residências, durante o período de um mês. Para a aplicação dos métodos de previsão, foram utilizadas bibliotecas na linguagem R. Para processar os dados,utilizou-se o frameworkApache Spark em conjunto com a linguagem R, para parale-lizar o processamento da leitura dos dados e a filtragem dos parâmetros desejados.Os dados tratados foram convertidos em séries temporais com valores de consumo horários, durante todo o mês compreendido pela base de dados original. Foram executadas previsões para a região das residências como um todo e para cada residência individualmente. Os resultados mostraram uma vantagem do ARIMA frente ao Holt-Winters no cenário utilizado, utilizando a métrica RMSE como base comparativa de desempenho. Contudo, baseado em experimentos similares encontrados na literatura,resguardando as devidas proporções, ambos os valores de RMSE estão dentro de uma faixa aceitável.Item Suporte a decisão no setor sucroalcooleiro(2019) Silva, João Vitor da; Gonçalves, Glauco Estácio; http://lattes.cnpq.br/6157118581200722O setor sucroalcooleiro é um dos maiores setores agrícolas do Brasil. A cada safra milhões de litros de etanol e milhares de toneladas de açúcar são importados mundo a fora. Apesar da grandeza do setor, existem diversos problemas que assombram oprodutor de cana-de-açúcar. Um deles é a redução de produção provocando paradasna produção do açúcar e etanol.Este trabalho tem como objetivo realizar um estudo comparativo de métodos de pre-visão de séries temporais, em dados históricos de produção de cana de açúcar, junto com a construção de indicadores operacionais para ajuda na tomada de decisão. A base de dados foi retirada dos resultados trimestrais publicados pela São Martinho para os seus investidores. A São Martinho é uma empresa de capital aberto e uma das maiores usinas de produção de açúcar, álcool e energia do Brasil. Para a realização do estudo foi utilizada a linguagem R. Os experimentos deste trabalho utilizaramo modelo preditivo SARIMA, por sua quase unanimidade na previsão de produçõesagrícola. Para a escolha do melhor modelo SARIMA foi utilizado o AICC do modelojunto com as métricas de erro RMSE, ME, e MAE. No desenvolvimento dos indicado-res operacionais foi utilizada a função de distribuição dos resíduos do modelo SARIMAdefinido junto com as previsões do próprio modelo.Ao final de todo o trabalho foi obtido o melhor modelo SARIMA para os dados de produ-ção de cana-de-açúcar trimestrais junto com os indicadores de redução da produção:probabilidade de redução da produção em um determinado percentual de produção ou mais e probabilidade de redução da produção ser acima da média de produção trimestral.